Bayesian Inference for Matérn Repulsive Processes
Matérn排斥点过程的贝叶斯推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究空间点过程，未明确涉及经济网络或因果干扰，所列领域缺乏直接匹配证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
Matérn排斥点过程的贝叶斯推断
- 研究问题
- 面对比泊松过程更规则、存在事件间排斥的点模式，如何建立灵活且可解释的模型，并开展有效的贝叶斯推断？
- 方法与思路
- 作者围绕Matérn第三型排斥过程扩展齐次与非齐次模型，推导概率密度和潜变量条件分布，并构造马尔可夫链蒙特卡洛算法。
- 材料陈述的贡献
- 摘要称，论文提供广义Matérn过程的建模与推断框架及新的高效采样算法，并应用于树木、神经纤维细胞和巴士站点位置数据。
- 阅读关注点
- 应核对排斥机制及扩展模型的参数解释、潜变量条件分布、采样算法的混合表现，以及不同应用中的模型适配程度。
- 阅读边界
- 仅据Crossref摘要；算法效率的比较依据、参数识别条件与应用结果未说明，不能将点间排斥直接解释为因果或网络干扰。
原文摘要
Summary In many applications involving point pattern data, the Poisson process assumption is unrealistic, with the data exhibiting a more regular spread. Such repulsion between events is exhibited by trees for example, because of competition for light and nutrients. Other examples include the locations of biological cells and cities, and the times of neuronal spikes. Given the many applications of repulsive point processes, there is a surprisingly limited literature developing flexible, realistic and interpretable models, as well as efficient inferential methods. We address this gap by developing a modelling framework around the Matérn type III repulsive process. We consider some extensions of the original Matérn type III process for both the homogeneous and the inhomogeneous cases. We also derive the probability density of this generalized Matérn process, allowing us to characterize the conditional distribution of the various latent variables, and leading to a novel and efficient Markov chain Monte Carlo algorithm. We apply our ideas to data sets of spatial locations of trees, nerve fibre cells and Greyhound bus stations.